في عالم الذكاء الاصطناعي، ولأنماط الرصد بواسطة الرادار الاصطناعي، يعد نموذج تصنيف الصور من المهمات الرئيسية التي تتطلب ربطًا دقيقًا بين دلالات تغطية الأرض وآليات الانكسار الكهرومغناطيسي. ومع التقدم الكبير في نماذج الشبكات المعقدة القيم، كان الهدف هو الحفاظ على المعلومات المتعلقة بالمراحل والم amplitudes. ومع ذلك، كانت هذه النماذج غالبًا ما تعاني من قيود في نمذجة الاعتماد المكاني بعيد المدى، كما أن استخدامها للقيود القطبية غالبًا ما كانت تقتصر على مستويات الإدخال أو الميزات المساعدة السطحية.

لمعالجة هذه القضايا، يقدم البحث الجديد نموذج CV-SSMNet، وهو شبكة حالة قيمة معقدة تدرك الفيزياء، مصممة خصيصًا لتصنيف صور PolSAR. يعتمد هذا النموذج على نموذج حالة قيمة معقدة (CV-SSM) يعمل في المجال المعقد الأصلي لالتقاط الاعتماد المكاني بعيد المدى مع الحفاظ على ارتباط المراحل والأ amplitudes.

علاوةً على ذلك، يتم ترميز سبعة قيود انكسارية ذات دلالة فيزيائية كإشارات تعديل على نمط FiLM، مما يساهم في إعادة معايرة تمثيلات القيم المعقدة بشكل تكيفي خلال تطور الميزات. ويجمع CV-SSMNet أيضًا بين التدوينات متعددة المقاييس، وترميز CV-SSM الفرعي، وإعادة المعايرة الموجهة بواسطة القيود، وتجمع السياقات العالمية الخفيفة، مما يمكّن تعلم التمثيلات الموجهة بالفيزياء من الهياكل الانكسارية المحلية إلى السياقات المكانية العالمية.

تظهر التجارب المنفذة على ثلاث مجموعات بيانات مرجعية من طراز L-band بالإضافة إلى تقييم BIOMASS من طراز P-band، أن CV-SSMNet يحقق دقة تنافسية، ويحسن اتساق المناطق، ويحافظ على الحدود بشكل أفضل، مما يدعم فعالية دمج آليات الانكسار القطبي في تعلم التمثيلات الجغرافية بعيدة المدى.

في ضوء هذه التطورات التكنولوجية، ما هي أفكاركم حول تأثير استخدام المعرفة الفيزيائية في تعزيز دقة البيانات في التصنيف؟ شاركونا في التعليقات!